Первые искусственные нейронные сети были разработаны в 1960-х годах, когда The Beatles и The Rolling Stones возглавляли чарты. Но только за последние 10 лет достижения в области вычислительной мощности и больших данных сделали их достаточно полезными, чтобы вызвать интерес бизнес-сообщества. Особый интерес представляет поисковая система предприятия, которая застряла в 90-х годах.

В частности, один метод оказался чрезвычайно успешным в получении максимальной отдачи от нейронных сетей - глубокое обучение или применение сложных архитектур нейронных сетей для моделирования закономерностей в данных. Благодаря глубокому обучению компьютеры теперь могут распознавать объекты на изображениях и видео с большей точностью, чем человеческий глаз, преобразовывать речь в текст быстрее, чем журналист, прогнозировать урожайность лучше, чем Министерство сельского хозяйства США, и диагностировать рак более точно, чем лучшие врачи мира.

Задача НЛП

Хотя глубокое обучение зарекомендовало себя как мощная обучающая система, до сих пор неясно, способно ли оно решить, возможно, следующую самую серьезную проблему для искусственного интеллекта: обработку естественного языка.

Люди учатся эффективно и точно обрабатывать естественный язык с самого раннего возраста; на самом деле, это один из самых простых навыков, которым мы научимся. Для машины верно обратное. Но если мы сможем заставить компьютеры анализировать, понимать и извлекать значение из человеческого языка разумными и полезными способами, возможности безграничны. Мы могли бы найти идеи, на открытие которых самому умному человеку потребуется больше, чем целая жизнь чтения и исследований. И мы могли бы получать такую ​​информацию круглосуточно, за небольшую часть стоимости человеческих ресурсов, без каких-либо ручных ошибок или ошибок, связанных с усталостью, когнитивной предвзятости или риска.

В ситуациях, когда доступно огромное количество аннотированных данных, алгоритмы глубокого обучения все еще могут применяться для обработки естественного языка. Google Translate, например, использовал глубокие нейронные сети, чтобы соблазнительно (или не очень соблазнительно, если вы работаете переводчиком) приблизиться к человеческому переводу. Но ИИ должен быть обучен, прежде чем он сможет начать давать результаты - и Google полагается на глобальную армию рабочих и добровольцев, работающих в сфере гиг-экономики, которые очищают и структурируют данные, на которых обучаются его сети. Для того, чтобы просто включить казахско-английский перевод, потребовалось два миллиона человеческих усилий.

Даже если они смогут получить достаточно данных для решения проблемы НЛП с помощью глубокого обучения, очень редко организация сможет позволить себе армию экспертов по глубокому обучению в предметной области для маркировки данных обучения. Еще более редкая окупаемость инвестиций от организации, применяющей глубокое обучение для обработки естественного языка. В качестве примера можно привести объявление доктора медицины Андерсона о том, что, несмотря на вложенные в течение трех лет 62 миллиона долларов в обучение IBM Watson, система не смогла дать никаких результатов.

Инструмент интеллектуальной автоматизации процессов

Чтобы демократизировать обработку естественного языка и сделать ее доступной в основных бизнес-приложениях, нам нужно машинное обучение совершенно иного мыслительного процесса, чем глубокие нейронные сети в настоящее время способны. Нам нужен алгоритм, который может без человеческого наблюдения научиться справляться с вероятностной природой естественного языка: интерпретировать факты, распознавать значение, принимать решения на основе контекста и адаптироваться к изменяющимся привычкам его пользователей. Другими словами, алгоритм, созданный специально для обработки естественного языка.

С таким алгоритмом становится экономически выгодным автоматизировать огромные количества утомительной, но сложной работы, с которой белые воротнички слишком хорошо знакомы: редактирование документов, обеспечение соответствия строгим и постоянно меняющимся нормам, поиск в Google и обобщение информации в отчеты, копание получать статистику из запутанных устаревших баз данных, снова и снова отвечая на одни и те же вопросы. С таким алгоритмом эти профессионалы смогут сосредоточиться на важных вещах: творчестве, суждениях, стратегии.

Мы называем такую ​​технологию искусственного интеллекта «когнитивной», потому что она должна обрабатывать язык так же, как человеческий мозг. Он должен отвечать на естественные вопросы и отвечать естественными ответами, как опытный профессионал, который знает базы данных своей организации наизнанку. Он должен синтезировать важную информацию из разных источников в краткие сводки и отчеты, защищать безопасность данных, разумно редактируя конфиденциальные документы, прежде чем делиться ими с заинтересованными сторонами.

В одном важном отношении интеллектуальная автоматизация процессов сильно отличается от человеческого капитала - она ​​обеспечивает гораздо больший масштаб, работает круглосуточно, за небольшую часть стоимости человеческих ресурсов, без каких-либо ручных ошибок или ошибок, связанных с усталостью, когнитивной предвзятости или риска.

Даже если они смогут получить достаточно данных для решения проблемы НЛП с помощью глубокого обучения, очень редко организация сможет позволить себе армию экспертов по глубокому обучению в предметной области для маркировки данных обучения.

Это то, что мы в Coseer разработали, используя передовые методы науки о данных, такие как когнитивная калибровка, которая выстраивает данные обучения в иерархию надежности и внимательно следит за процессом мышления человека. Алгоритм искусственного интеллекта под названием Калиброванная квантовая сетка, который создан для обучения и обработки естественного языка без необходимости предварительно помечать данные. CQM также позволяет Coseer настраиваться для решения множества задач в различных контекстах, что в конечном итоге делает его настоящим когнитивным агентом. Калиброванная квантовая сетка работает по трем основным принципам:

  • В природе переменные не имеют абсолютных значений, но они могут принимать различные формы (квантовые состояния) с разной степенью разницы.
  • Почти все взаимосвязано со всем остальным с различными уровнями влияния, образуя сложную сеть.
  • Терпеливое рассмотрение всей доступной информации, применяемой один за другим, может калибровать различные шансы различных состояний, которые может принимать такая сетка, что приводит к жизнеспособным решениям.

Только время покажет, является ли когнитивный алгоритм Coseer таким же новаторским в области искусственного интеллекта, как The Beatles и Rolling Stones в области музыки, но мы уже применяем его, чтобы помочь организациям быстрее принимать решения, оптимизировать портфели и реагировать на них. колебания рынка, сокращение затрат на рабочую силу, увеличение масштабов и раскрытие инноваций в продуктах и ​​услугах.